1.2 研究现状
在信息融合目标识别方面，国外起步相对国内要早。早在20世纪70年代末期，美国科研机构利用多个悬浮水下声呐，再通过使用当时先进的计算机处理技术对信号进行有效的融合处理后发现，其根据处理后的数据能够对敌方潜艇的位置进行有效的检测。事实证明这一发现可以说是现代战争一次变革的开始，从而使得信息融合技术进入了军事研究部门的视野。
早在1973年，在美国国防部的全额资助下，美国科研机构利用基于多传感器对信息融合技术展开了深入的研究。至此，信息融合技术这一新的名词诞生了，并且在学术界很快得到了广泛的重视并发展起来。在著名的军事C3I系统中，它不仅得到了应用——同时通过采用多种传感器来有效地收集信息，而且在工业控制、智能机器人、海洋纹理监视、空中交通管制和综合导航等领域中，基于多传感器开发也被赋予很大的应用前景。到了20世纪80年代，随着科学技术的快速发展，美国海陆空部队也对军事战略监视系统展开了研发，通过利用信息融合技术来实现对目标进行有效的跟踪、识别、态势评估和威胁估计，并得到了很好的效果。同时基于此项研究成果，成功地开发出了世界上第一代信息融合系统，即集战略系统、海洋监视系统和小型战术系统为一体的系统。美国国防部于1998年将信息融合保密作为一项重点研究开发的关键技术之一。如今英、美、德、法等发达国家中都有许多顶尖的技术人才在政府的资助下对数据融合技术进行深入研究，他们将大量的研究成果公开发表在各种学术期刊和学术会议上。进入21世纪后，在实际应用中信息融合识别技术得到了快速的发展和开发。比如在2000年，加拿大SafeSoftware公司成功地将自己的产品空间数据操作引擎（FME）打入到中国市场，它是通过基于多年来对数据融合技术研究成果的积累，才成功开发出来的空间数据格式转换的实际应用软件。目前根据用户反馈的数据统计来看，其软件得到了非常好的认可度。美国国防部曾委托雷声公司，利用多传感器信息融合技术为美国陆军研制可有效提供远程先进侦察监视的目标识别系统。这套传感器主要包含了视频传感器、红外传输系统、基于人眼安全的激光测距仪和GPS干涉仪。充分利用了各个传感器的特点，既可以成像，也可通过电视传感器传输实时融合成像，至少帮助图像提高了50%的清晰度，而且关键的是系统的目标探测有效距离相对原来的系统提高了3倍。
国内虽然在多传感器数据融合目标识别这方面相对国外起步比较晚，技术不够成熟，但是在军事应用方面也时刻关注国外的发展，并努力积极进行研究和开发。在非军事领域，我国也投入了充足的科研经费，也得到了很大的进展。如基于人类生物特征指纹和人脸身份识别系统，它们在考勤、安防等方面取得了很好的开发成果。主要开发成果如下：基于指纹和人脸的融合身份识别、掌纹和视网膜的融合身份识别、可见光和红外融合的人脸身份识别等；基于遥感图像特征融合目标识别，通过使用遥感技术来对目标进行有效探测，并通过利用基于多传感器和多光谱的遥感图像来进行特征融合，从而能够获得目标的位置、性质和身份属性等信息；基于特征级融合的交通智能系统，主要应用在对驾驶员疲劳驾驶警示系统中；基于多传感器特征融合的工业系统，主要应用在工业系统故障诊断中。
特征融合在目标识别中处于一个非常重要的处理环节，但是目前人们对特征融合的研究仍然停留在对样本能提取什么样的特征、如何选择合适的融合规则。目前对于融合算法开发，主要基于应用对象需求来对其展开设计。理论上还没有一套统一体系与评价体系。对于在特征融合目标识别的研究中，广大学者的注意力主要在处理算法、融合识别的结构与框架和对特征融合识别系统如何进行建模与实现等问题上，这几方面中研究热度最高的是对融合识别中使用的算法及信息融合系统在各领域中具体的应用。
目前信息融合技术主要可分为特征级融合、数据级融合和决策级融合这三部分。数据信息融合主要是解决实际中遇到的问题，如传感器中解决时域协调性的问题，在全局坐标中解决相关的一致性检验、坐标的变换、信息的同化、数据的关联等问题，其中最棘手的问题是解决一致性检验和数据的关联。而特征级与决策级融合的识别算法与人工智能紧密结合进行应用是比较常见的。当前比较主流的算法主要有卡尔曼滤波法、加权平均法、N-P法、错误率最小化方法、贝叶斯法、证据组合（D-S）法、神经网络法、模糊理论法、聚类分析法等。目前在基于特征级融合识别方法的应用中，大家都广泛采用的算法主要是N-P法、神经网络法、模糊理论法、聚类分析法及各类混合算法。
目前都是基于同一传感器通过对图像进行不同方向、时刻和角度的特征采集来进行有效的融合[7][8]，而由于技术原因，对基于多传感器图像特征信息融合的应用还相对不多。由于信息融合处于目标识别系统的前一级，属于“心脏”地位，其处理过程是非常复杂且具有一定的不确定性，以目前我们所知的理论、技术、设备来对信息融合方法进行研究还是达不到很高的要求。虽然如此，我们的一些成果还是成功地广泛应用在了生活和军事诸多领域中，如医疗领域中的CRT图像检测；生物领域中的指纹识别、人脸识别等；军事战场上的目标识别（如坦克、飞机等）。随着计算机的不断快速发展，处理速度越来越快，融合的计算处理速度效果也越来越快，但是在面对数量非常庞大的目标和特征信息时，由于缺少成熟的特征关联融合理论及其理论工具，在模式识别方法中，模糊方法﹑聚类方法﹑神经网络方法、人工智能等方法依旧是研究特征级融合目标识别的主要方法。目前国内外专家学者都在积极探索如何将这些理论和技术应用于特征融合中，从而获得令人满意的效果。